带有显著性检验的代码呢

下面是使用Python进行带有显著性检验的Lasso回归变量筛选的示例代码：

from sklearn.linear_model import Lasso
from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler
from scipy import stats

# 加载Boston Housing数据集
boston = load_boston()
X = boston.data
y = boston.target

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 构建Lasso回归模型
lasso = Lasso(alpha=0.1)
lasso.fit(X_scaled, y)

# 计算p值
n = len(y)
k = np.count_nonzero(lasso.coef_)
mse = np.sum((y - lasso.predict(X_scaled)) ** 2) / (n - k - 1)
se = np.sqrt(np.diag(mse * np.linalg.inv(np.dot(X_scaled.T, X_scaled))))
t = np.abs(lasso.coef_) / se
p = 2 * (1 - stats.t.cdf(t, n - k - 1))

# 输出p值小于0.05的变量系数
for i in range(len(boston.feature_names)):
    if p[i] < 0.05:
        print(boston.feature_names[i], lasso.coef_[i])

在这个示例代码中，我们使用scikit-learn库中的lasso函数构建了一个Lasso回归模型，并使用fit函数拟合了模型。接着，我们计算了每个变量的t值和p值，并筛选出了p值小于0.05的变量系数。最后，我们输出了这些变量的系数值及变量名称。